岗位职责
- 负责健康时序基础模型的核心算法研发，研究 PPG、ECG、体温、运动、睡眠等多模态生理时序数据的统一表征与建模方法；
- 探索长时程健康数据建模，使模型能够理解个人基线、昼夜/周期节律、长期趋势、异常事件以及跨信号关联；
- 研究 Self-supervised Learning、Foundation Model、Time-series Transformer / State Space Model、多模态学习等技术在大规模健康数据上的应用；
- 探索健康时序模型与大语言模型的融合，使 AI 不仅能够读取健康指标，更能够基于长期数据进行证据检索、推理、预测和个性化健康理解。
任职要求
- 计算机、人工智能、电子信息、生物医学工程、统计学等相关专业硕士及以上学历；
- 在以下一个或多个方向具有较深入的研究或工程经验： Time-series Foundation Model / 长序列建模 Transformer / State Space Model / Representation Learning Self-supervised Learning / Pre-training Multimodal Learning 生理信号处理或计算医疗 LLM 与时序数据融合；
- 具备良好的研究能力，能够从实际问题中抽象出有价值的算法问题，并完成从算法设计、实验验证到实际落地的完整闭环；
- 有好奇心和责任心，具有钻研精神，能够与算法团队、工程团队及其他技术团队紧密配合；
- 有 ICLR, NeurIPS, ICML, CVPR, ICCV, KDD, AAAI 等顶会论文发表，或重要开源项目经验者优先。
特色标签
LLM、Python、Shell、SQL、SSM、Transformer时序模型、个人健康洞察、个体化健康管理、健康时间序列基础模型、光电容积脉搏波、光电脉搏波、分布式训练、医疗、医疗时序基座模型、发表算法相关优秀论文、基座模型、基础大模型、多元生理时间序列、多模态生理信号、多模态算法、大型语言模型、大数据处理工具(Spark/Hadoop/Hive)、大模型、大模型算法、定制化健康分析、异构生理数据、心电信号、心电图、心电数据、数据挖掘、无监督表征学习、时序Transformer、时间序列Transformer、深度学习、状态空间序列模型、状态空间模型、生理时序大模型、算法工程化经验、脉搏波信号、自然语言处理算法、自监督学习、自监督预训练、英美留学生、预训练大模型